CosyVoice 2의 후속 모델인 CosyVoice 3는 제로샷 다국어 음성 합성을 위한 모델로, 대규모 언어 모델(LLM)과 청크 인식 흐름 일치(FM) 모델을 통합하여 저지연 양방향 스트리밍 음성 합성과 사람 수준의 품질을 달성하는 CosyVoice 2의 한계점(언어 적용 범위, 도메인 다양성, 데이터 양, 텍스트 형식, 사후 학습 기법)을 극복하고자 개발되었습니다. CosyVoice 3는 새로운 음성 토크나이저, 미분 가능한 보상 모델, 대규모 데이터셋(10,000시간에서 1,000,000시간으로 확장, 9개 언어 및 18개 중국어 방언 포함), 대규모 모델(0.5B에서 1.5B 파라미터로 확장)을 통해 내용 일관성, 화자 유사성, 운율 자연스러움을 향상시켰습니다.
시사점, 한계점
•
시사점:
◦
제로샷 다국어 음성 합성의 성능 향상: 다양한 언어와 도메인에서 높은 품질의 음성 합성을 달성.
◦
내용 일관성, 화자 유사성, 운율 자연스러움 개선: CosyVoice 2 대비 성능 향상.
◦
새로운 음성 토크나이저 및 미분 가능한 보상 모델 제시: 다른 LLM 기반 음성 합성 모델에도 적용 가능한 새로운 기술 제시.
◦
대규모 데이터셋과 모델 크기 확장을 통한 성능 향상: 더 많은 데이터와 더 큰 모델 용량으로 성능 향상을 보임.
•
한계점:
◦
논문에서 구체적인 한계점을 언급하지 않음. 향후 연구를 통해 추가적인 개선이 필요할 수 있음. (예: 특정 언어나 도메인에서의 성능 저하 가능성, 실제 환경 적용 시 발생할 수 있는 문제점 등)
